YETENEK 01↗
TAHMİNİ ÜCRET—
Taslak veri önizlemesi · üretim için bir model eğitin
Maaş tahmini
Çalışan özellikleri ve mevcut eğitim verilerinden öğrenilen kalıpları kullanarak maaşları tahmin edin.
Maaş tahminini keşfedin →
Alanım/
Çalışma alanınız yükleniyor…
GERÇEK KARARLAR İÇİN MAAŞ ÖNGÖRÜLERİ
Sayıların Ötesini Görün.
Deneyim, eğitim ve becerilerin düşünceli bir maaş tahmini oluşturmak için nasıl bir araya geldiğini keşfedin.
Net girdiler. Faydalı bağlam. Sizin kararınız.
MAAŞ ANALİZİ ÖNİZLEMEKEŞFETMEYE HAZIR
PROFİLİNİZ→MAAŞ DESENLERİ→TAHMİNİNİZ
PROFİL SİNYALİz = xW + b
DESEN SİNYALİ∂L / ∂W
TAHMİNİNİZ—
Siz hazır olduğunuzda01 / ETKİLEŞİM KUR
Kariyeriniz. Verileriniz. Bir maaş öngörüsü.
Örnek profillerle tahmin iş akışını deneyin ve saniyeler içinde net, etiketlenmiş bir maaş öngörüsü alın.
MAAŞ TAHMİN STÜDYOSU
Bir çalışan profili oluşturun
Deneyim yılı
4.0
Beceri puanı
85
Eğitim düzeyi
İş rolü
Adjust the profile, then run a real model prediction.Maaş tahmini oluştur
02 / YETENEKLER
Gerçekten anlayabileceğiniz zeka.
Tahminin ötesine geçin. Öğrenme sürecini keşfedin.
YETENEK 02↗
Sinir ağı görselleştirmesi
Girdilerin, sayısal bir maaş tahmini oluşturmak için gizli katmanlar boyunca nasıl hareket ettiğini keşfedin.
Ağı keşfedin →YETENEK 03↗
INPUTŷLOSS
GRADIENT∂GÜNCELLE
Geri Yayılım (Backpropagation)
Sinir ağı eğitimi sırasında tahmin hatalarının parametre güncellemelerini nasıl yönlendirdiğini anlayın.
Öğrenme sürecini anlayın →03 / MOTOR
Her tahminin bir öğrenme süreci vardır.
Modelin arkasındaki matematiği keşfedin. Bu görsel harita açıklayıcıdır; canlı eğitim tarayıcı eğitim merkezinde gerçekleşir.
İleri yayılımKayıp hesaplamasıGeri yayılımParametre güncelleme
Özellikler, ağırlıklı katmanlar üzerinden hareket eder ve sayısal bir çıktıya dönüşür.
01Z = XW + b
Ağırlıklı girdiler ve bir sapma (bias), aktivasyon öncesini oluşturur.
02A = f(Z)
Bir aktivasyon fonksiyonu sinyali dönüştürür.
03L = (y − ŷ)²
Kayıp, gerçeklik ile tahmin arasındaki boşluğu ölçer.
04Wnew = Wold − η(∂L/∂W)
Gradyan inişi, parametreleri daha düşük kayba doğru yönlendirir.
04 / AKIŞ
Çalışan özelliklerinden maaş öngörülerine.
Bilgi sağlayın
Deneyim, eğitim, iş rolü ve desteklenen beceriler.
Özellikleri hazırlayın
Yanıtlarınızı uygulamanın okuyabileceği net bir profile dönüştürün.
Ağı çalıştırın
Uygulama, profilinizi öğrenilmiş maaş kalıplarıyla karşılaştırır.
Tahmin oluşturun
Basit bir maaş tahmini alırsınız.
Sonucu keşfedin
Tahmini ve arkasındaki bağlamı inceleyin.
05 / VERİ SİNYALLERİ
Ödemelerin arkasındaki modelleri anlayın.
Maaş modellerinin arkasındaki örnek profilleri keşfedin. Bunlar yardımcı sinyallerdir, garanti değildir.
DENEYİM / MAAŞ
Deneyim tazminatla buluşuyor
MAAŞ ARALIĞI
Mevcut örneklerin aralığı
Örnek profiller, maaş modellerini keşfetmenize yardımcı olmak için hazır.
Bir tahmin deneyin →06 / NEDEN ÖNEMLİ
Yapay zeka açıklanabilir olmalıdır.
Şeffaf yaklaşım
Hangi profil detaylarının tahmini şekillendirdiğini görün.
Faydalı bağlam
Sonucunuzu mevcut örnek profillerle karşılaştırın.
Sorumlu yorumlama
Tahminler eğitim verilerine bağlıdır ve garanti edilen bir ücretlendirme değildir.
ÖĞREN · ÖLÇ · YORUMLA
07 / BURADAN BAŞLAYIN
Bir sonraki öngörünüz burada başlıyor.
Deneyim, beceriler ve tahmini ücret arasındaki ilişkiyi nöral zeka aracılığıyla keşfedin.
GELİŞMİŞ ÇALIŞMA ALANI
Teknik çalışma alanı
Ana maaş deneyiminin basit kalması için eğitim, değerlendirme, veri ve öğrenme araçları burada yer alır.
Oluşturucular ve inceleyiciler için
Bir model eğitmek, kanıtlarını incelemek, kayıtları yönetmek ve motorun nasıl çalıştığını öğrenmek için bu çalışma alanını kullanın.
Aktif model
—
Eğitim kayıtları
—
Eğitim için mevcut
Geçerli sürüm
—
Kaydedilen model eseri
Kaydedilen tahminler
—
Kullanıcı geçmişi
Teknik araçlar
Sonraki adım için odaklanmış bir çalışma alanı seçin.
Model eğit
Öğrenme kurulumunu seçin, eğitimi başlatın ve yeni bir model kaydedin.
Eğitimi aç →Performansı gözden geçir
Değerlendirme grafiklerini kontrol edin ve aktif modeli test sonuçlarıyla karşılaştırın.
Performansı aç →Veri setini yönet
Kayıtları inceleyin, bir CSV içe aktarın veya örnek veri setini geri yükleyin.
Veri setini aç →Ağı keşfedin
Öğrenme akışını anlamak için görsel laboratuvarı ve adım adım simülatörü kullanın.
Ağ laboratuvarını aç →BİR SONRAKİ ADIMINIZ İÇİN NETLİK
Maaşı Anlayın. Güvenle Planlayın.
Deneyim, eğitim, beceriler ve mevcut örnek profillerden oluşturulan maaş tahminlerini keşfedin.
Kişiselleştirilmiş maaş öngörüsü·Profilinizden oluşturuldu
MAAŞ ANALİZ ÖNİZLEME
PROFİLKALIPLARTAHMİN
Ödemelerin arkasındaki kalıpları görün
Her tahminin arkasındaki örnek profilleri keşfedin.
Tahmin ve örnek profiller
Mevcut örneklerle basit bir karşılaştırma
Tahmin ilerlemesi
Kaydedilmiş bir tahminden sonra kullanılabilir
Maaş aralığı
Deneyim ve maaş
Mevcut örnek profiller · modeller garanti teşkil etmez
Maaş çalışma alanınız
Kaydedilen profil öngörülerinizin basit bir görünümü.
PROFİLİNİZDEN BİR TAHMİNE
Maaş Tahmini
Kişiselleştirilmiş bir maaş tahminini keşfetmek için birkaç detay ekleyin.
Tahmin aracı henüz mevcut değil. Örnek profilleri geri yükleyin veya tekrar deneyin.Tahminleri iyileştir
Profiliniz
Bir örnek deneyinDeneyim yılı
yıl
Eğitim düzeyi
İş rolü
Beceri puanı
/ 100
Departman
Formu temizleTahminimi al
Tahmininiz
ANNDaha net bir görünüm burada başlar.
Detaylarınızı ekleyin ve anında bir maaş tahmini alın.
TAHMİNİ MAAŞ
Mevcut profillerle karşılaştırıldığında
Bu tahmini kaydetTahmini kopyalaİndir ↓
Bu, keşif amaçlı bir tahmindir, bir ücret sözü değildir. Örnek profiller her iş yerini veya piyasayı yansıtmayabilir.
AĞINIZI EĞİTİN
Model Eğitim Merkezi
Her epoch'un hesaba katıldığı, gerçek gradyan tabanlı öğrenme.
Eğitim yapılandırması
TARAYICI MOTORUGizli katman yapılandırması
Öğrenme oranı
Epoklar
Yığın boyutu
Optimize edici
Gizli aktivasyon
Rastgele tohum
Doğrulama oranı
Ayrılmış test oranı
20% · sabit bölünme, tohum 2026
Yalnızca eğitime özel standartlaştırma + tekil kodlama (one-hot encoding). Maaş hedefi standartlaştırılmıştır; raporlanan tüm hatalar yıllık para birimi birimlerine geri dönüştürülmüştür.
Eğitimi BaşlatÖğrenme devam ediyor
0 / 100 Epoklar
Eğitimi iptal etDeğerlendirmeyi görüntüle ↗
Öğrenme hattı
- Kayıtları doğrula ve test bölümünü dondur
- Önişlemeyi yalnızca eğitim kayıtları üzerinde uydur
- İleri geçiş → MSE → geri yayılım
- Ağırlıkları güncelle ve doğrulama kaybını takip et
- Test verilerini değerlendir ve model artifaktını kaydet
VARSAYIMLAR YERİNE KANITLAR
Model Performansı
Tahmin ve örnek profiller
Tahmin ilerlemesi
Tahmin farkları
Sayıların anlamı
- MAE
- Yıllık maaş birimleri cinsinden ortalama mutlak tahmin hatası. Düşük olan daha iyidir.
- RMSE
- Yine yıllık maaş birimleri cinsinden, büyük hatalar için daha ağır bir ceza ile.
- R²
- Ortalama bir temel çizgiye göre performans. Negatif olabilir; adalet veya bireysel doğruluk garanti etmez.
Kaydedilen model sürümleri
EN GÜNCEL MODEL AKTİFYalnızca aynı veri seti parmak izine ve test ayrımına sahip satırları karşılaştırın. Eğitim, test tabanlı seçim yapılmadan son epoch'u kullanır.
| Versiyon | Veri seti / bölme | Mimari | MAE | RMSE | R² | Tarih |
|---|
Henüz kaydedilmiş model yok. Gerçek değerlendirme sonuçlarını görmek için ilk ağınızı eğitin.
GÖRÜNMEYENİ GÖRÜNÜR KILIN
Sinir Ağı Laboratuvarı
Sinyali takip et. Gradyanı izle. Bir ağın nasıl öğrendiğini anla.
Eğitim görünümü. Sinyal animasyonları açıklayıcıdır, canlı nöron aktivasyonları değildir. Sayısal simülatör ayrı bir tek ağırlıklı model kullanır.
Ağ mimarisi
İleri yayılımGeri yayılımDuraklat / modu değiştirYeniden oynat
Z = XW + bA = f(Z)Çıktı: ŷ = AW + b (doğrusal)
Geri yayılım, her seferinde bir adım
AYRI SİMÜLATÖRGerçek bir skaler hesaplama: x = 1, y = 2, ŷ = wx + b. w = 0.5, b = 0 ile başlar. Bu, maaş modeli değildir.
Öğrenme oranı
Epoklar
Simülasyonu başlatİleri adımGeri adımSıfırla
Hatadan öğrenme
L = (y − ŷ)²∂L/∂w = 2(ŷ − y)x∂L/∂b = 2(ŷ − y)w ← w − η ∂L/∂wb ← b − η ∂L/∂b
Maaş modeli, her grup üzerinden ortalama kare hataları hesaplar: MSE = (1/n) Σ(yᵢ − ŷᵢ)². Gradyanlar, zincir kuralını kullanarak gizli katmanlar boyunca akar.
MODELİNİZİN NE BİLDİĞİNİ BİLİN
Veri Seti Gezgini
CSV'yi İndirCSV İçe Aktar
Çalışan kayıtları
Demo veri setini geri yükle
| Deneyim yılı | Eğitim düzeyi | İş rolü | Beceri puanı | Departman | Yıllık maaş |
|---|
Eşleşen kayıt bulunamadı.
ÖncekiSonraki
Eğitim dağılımı
Rol dağılımı
Departman dağılımı
Deneyim aralığı
CSV şeması ve sorumlu kullanım
Gerekli sütunlar: deneyim, eğitim, rol, beceri, departman, maaş. 60–5.000 satır; maksimum 2 MB. Deneyim: 0–40, beceri: 0–100, yıllık maaş: 1.000–100.000.000. Eksik alan olmamalıdır. Kategorik özellik başına en fazla 30 kategori. Ek sütunlar hariç tutulur.
Yalnızca işleme izniniz olan verileri kullanın. İsimleri veya korunan öznitelikleri dahil etmeyin. İçe aktarılan veriler doğrulanmamıştır; anlamlı kategoriler ve uygun lisanslama sizin sorumluluğunuzdadır. Veri setinin değiştirilmesi aktif modeli geçersiz kılar ancak geçmiş tahminleri korur.
KEŞİFLERİNİZ KAYDEDİLDİ
Tahmin Geçmişi
Kaydedilen tahminler, girdileri ve arkalarındaki kesin model.
| ID | Tarih | İş rolü | Deneyim yılı | Yıllık maaş | Versiyon | İşlemler |
|---|
Yeni bir başlangıç.
Geçmişinizi oluşturmak için stüdyodan bir tahmini kaydedin. Örnek tahminler eklenmez.
Maaş tahminiÖncekiSonraki
ÇALIŞMA ALANINIZ, SİZİN TARZINIZ
Ayarlar
Görüntüleme tercihleri ve şeffaf çalışma zamanı bilgileri.
Ücretlendirme görüntüleme
Para Birimi
Döviz çevrimi değil, para birimi etiketleri. Bunu kaynak veri setinin para birimine ayarlayın. Kaydedilen tahminler orijinal para birimlerini korur.
Tahmin görüntüleme temeli
Kontrastı değiştirTarayıcı sürümü · çalışma zamanı sınırları
Bu mini uygulama, barındırılan bir Python API'si değil, gerçek bir JavaScript YSA (Yapay Sinir Ağı) çalıştırır. Eğitim, epoklar arasında tarayıcıya öncelik verir. Modeller, veri seti ve geçmiş, SQL yerine platformun kullanıcı başına depolamasını kullanır. Harici bir maaş veri hizmeti, garanti edilen hizmet kullanılabilirliği veya bağımsız olarak doğrulanmış gerçek dünya modeli yoktur.
Daha fazla bilgi edininTASARIM YOLUYLA ŞEFFAFLIK
Model Hakkında
Gerçek bir öğrenme motoru. Sınırlarının dürüst bir anlatımı.
Metodoloji
İleri beslemeli çok katmanlı algılayıcı; standartlaştırılmış deneyim ve becerinin yanı sıra tekil kodlanmış (one-hot) eğitim, rol ve departman bilgilerini kullanır. Gizli katmanlar ReLU veya tanh kullanır; maaş regresyon çıktısı lineerdir. MSE gradyanları zincir kuralı ile hesaplanır ve Adam veya minibatch SGD ile optimize edilir.
Yeniden üretilebilirlik ve sızıntı önleme
Sabit tohumlu bir karıştırma işlemi %20'yi test için ayırır. Doğrulama, eğitim tohumu kullanılarak kalan kayıtlardan alınır. Sayısal ölçeklendirme, kategorik sözlük ve hedef standartlaştırması yalnızca eğitim verileri üzerinde uygulanır. Bilinmeyen kategoriler açık bir bilinmeyen yuvası kullanır. Test verileri yalnızca son epoch'tan sonra değerlendirilir. Eserler; ağırlıkları, sapmaları, ön işlemeyi, yapılandırmayı ve değerlendirmeyi birlikte saklar.
Veri kaynağı
İlk 480 kayıt, 2026 tohumuyla oluşturulmuş yeniden üretilebilir sentetik örneklerdir. Bunlar gerçek çalışan maaşları değildir ve herhangi bir piyasa geçerliliği iddiası taşımazlar. Sentetik oluşturucu bir eğitim veri seti tanımlar; tahminler her zaman eğitilmiş YSA'dan gelir, asla bu oluşturucudan gelmez. Kullanıcı tarafından yüklenen CSV'ler demoyu değiştirir ve doğrulanmamış olarak işaretlenir.
Sınırlamalar ve kullanım amacı
Yalnızca eğitim amaçlı keşif içindir. İşe alım, ücretlendirme kararları veya istihdam taraması için uygun değildir. Herhangi bir adalet denetimi, nedensel özellik ataması, güven aralığı veya harici doğrulama sağlanmamıştır. Maaş çıktıları negatif veya mantıksız olabilir; bunlar sessizce kırpılmaz. Korunan öznitelikler tahmin edici özellikler değildir. Kategoriler hala toplumsal önyargılar taşıyabilir.
Eserler ve depolama
Kullanıcı başına aktif model ve altı adet versiyon özeti kaydedilir. Tahminler yalnızca istek üzerine, en fazla 500 kayıt olacak şekilde kaydedilir. Veri seti değişiklikleri aktif modeli geçersiz kılar. Saklanan eserler yüklenmeden önce doğrulanır. Depolama hataları bildirilir ve mevcut oturum kullanılabilir kalır. Bu tarayıcı sürümü tarafından herhangi bir sunucu veya veritabanı tahsis edilmez.
Doğrulama
Motor, eğitimden önce sayısal gradyanları sonlu farklara göre kontrol eder. Eğitim, sonlu olmayan kayıpları reddeder. Metrikler, ayrılmış test verileri üzerinde orijinal yıllık maaş birimlerinde hesaplanır. Bu, bağımsız olarak yürütülen tam bir otomatik test paketinin veya üretim güvenlik incelemesinin yerini tutmaz.
İptalOnayla